{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部分”：[[2024,4,3]]，“日期-时间”：“2024-04-03T00:39:23Z”，“时间戳”：1712104763988}，“发布者位置”：“查姆”，“引用-计数”：26，“出版者”：“施普林格自然瑞士”，“isbn-type”：[{“值”：“9783031439926”，“类型”：”打印“}，{“值”：“9783031439933”，“类型”：“electronic”}]，“license”：[{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com\/gp\/searners\/text-and-data-mining”}，{“tart”：1-01T00:00:00Z“，”时间戳“：1672531200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/www.springernature.com//gp\/researters\/text-and-data-mining”}，{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“tdm”，“delay-in-days”：“0，“URL”：“http://www.sprinternature.com/gp”\/researchs\/text-and-data-mining“}，{“start”：{“date-parts”：[[2023,1,1]]，“date-time”：“2023-01-01T00:00:00Z”，“timestamp”：1672531200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\\/www.springernature.com\/gp\/researters\/text-and-data-mining”}]，“content-domain”:{“domain”：[“link.springer.com”]，“crossmark-restriction”：false}，”shortcontainer-title“：[]，“published-print”用法：{“date-parts”：[[2023]]}，“DOI”：“10.1007\/978-3-031-43993-3_3”，“type”：“book-chapter”，“created”：{”date-part“：[2023,9,30]]，“date-time”：“2023-09-30T23:08:57Z”，“timestamp”：1696115337000}，”page“：”25-34“，”update-policy“http://dx.DOI.org\/10.10007\/springer_crossmark_policy”，”source“：”Crossref“，”is-referenced-by-count“：0，”title“：[“通过\u00a03D混合图变换器实现精确微观结构估计”]，“前缀”：“10.1007”，“作者”：[{“给定”：“Junqing”，“家族”：“Yang”，“序列”：“第一”，“从属关系”：[]}，{“已知”：“昊天”，“家庭”：“江”，“顺序”：“附加”，“隶属关系”：[]}，{“given”：“Peng”，“family”：“Sun”，“sequence”：“additional”，“affiliation”：[]}，{“fixed”：“Jiquan”，“家族”：“Ma”，“sequence”:“additionable”，“filiance”：[]}，}“giving”：“勇”，“家庭”：“夏”，“序列”：“附加”，“从属”：[]}“：”耿“，”家族“：”陈“，”序列“：“additional”，“affiliation”：[]}]，“member”：“297”，“published-on-line”：{“date-parts”：[[2023,10,1]]}，“reference”：[{“key”：“3_CR1”，“unstructured”：“Ba，J.L.，Kiros，J.R.，Hinton，G.E.：层规范化。arXiv预印本arXiv:1607.06450（2016）”}，{“issue”：“12”，“key“：”3_CR2“，”doi-asserted-by“：”publisher“first page”：“2838”，“doi”：“10.1109\/TMI.2019.2915629”，“volume”：“38”，“author”：“G Chen”，“year”：“2019”，“unstructured”：“Chen，G.，Dong，B.，Zhang，Y.，Lin，W.，Shen，D.，Yap，P.T.：通过x-q空间中的图帧匹配对扩散MRI数据进行去噪。IEEE Trans.Med.Imaging 38（12），2838\u20132848，“首页”：“44”，“DOI”：“10.1016\/j.media.20199.06.010”，“卷”：“57”，“作者”：“G Chen”，“年份”：“2019”，“非结构化”：“Chen，G.，Dong，B.，Zhang，Y.，Lin，W.，Shen，D.，Yap，P.T.:XQ-SR:联合x-q空间超分辨率，应用于婴儿扩散MRI。Med.Image Anal.57，44\u201355（2019）”，“期刊标题”：“Med.Image Anal.”}，{“key”：“3_CR4”，“doi-asserted-by”：“publisher”，“unstructured”：“Chen，G.等人：通过图卷积神经网络利用欠采样扩散数据估计组织微观结构。In：Martel，A.L.等人（编辑）MICCAI 2020。LNCS，第12267卷，第280\u2013290页。查姆施普林格（2020）。https:\/\/doi.org\/10.1007\/978-3-030-59728-3_28“，”doi“：”10.1007\/978-30-59728-3_28“}，{“key”：“3_CR5”，“doi-asserted-by”：“publisher”，“unstructured”：“Chen，G.等人：利用欠采样扩散MRI数据估计组织微观结构的混合图变换器。收录于：医学图像计算和计算机辅助干预国际会议，LNCS，第13431卷，第113\u2013122页。查姆施普林格（2022）。https:\/\/doi.org\/10.1007\/978-3-031-16431-6_11“，”doi“：”10.1007\/9783-031-16431-6_11“}，{”key“：”3_CR6“，”doi-asserted-by“：”publisher“，”first page“：“79”，“doi”：“10.1016\/j.media.2019.01.006”，“volume”：“53”，“author”：“G Chen”，“year”：“2019”，“unstructured”：“”Chen，G.，Wu，Y.，Shen，D.，Yap，P.T.：利用关节x-q空间中的非局部自相似信息降低扩散MRI中的噪声。医学图像分析。53，79\u201394（2019）“，“新闻标题”：“医学图像分析。“}，{”key“：”3_CR7“，”doi-asserted-by“：”publisher“，”first page“：“446”，“doi”：“10.1016\/j.neuroimage.2017.04.41”，“volume”：“170”，“author”：“H Chen”，“year”：“2018”，“unstructured”：“Chen，H.，Dou，Q.，Yu，L.，Qin，j.，Heng，P.A.：VoxResNet：三维MR图像脑分割的深voxelwise残留网络。neuroimage 170，446\u2013455（2018）”，“期刊标题“：“NeuroImage”}，｛“key”：“3_CR8”，“doi断言者”：“crossref”，“非结构化”：“Daducci，A.等人：通过扩散MRI数据的凸优化（AMICO）加速微观结构成像。NeuroImage 105，32\u201344（2015）”，“doi”：“10.1016\/j.NeuroImage.2014.010.26”｝，｛“key”：“3_CR9”，“doi断言者”：“crossref”，“非结构化”：“Dou，Q.等：通过3D卷积神经网络从MR图像中自动检测脑微出血。IEEE传输。医学成像35（5），1182\u20131195（2016）“，“DOI”：“10.1109\/TMI.2016.2528129”}，{“key”：“3_CR10”，“DOI-asserted-by”：“crossref”，“unstructured”：“Falk，T.，et al.：U-net：细胞计数、检测和形态计量学的深度学习。Nat.Methods 16（1），67\u201370（2019）“，”DOI“：”10.1038\/s41592-018-0261-2“}，“key“：”3_CR11“，“DOI-asserted-by”：“crossref”，“非结构化“：”Gibbons，E.K.等人：利用深度学习从亚采样q空间成像同时生成NODDI和GFA参数图。磁铁。共振。Med.81（4），2399\u20132411（2019）“，“DOI”：“10.1002\/mrm.27568”}，{“key”：“3_CR12”，“DOI-asserted-by”：“crossref”，“unstructured”：“Golkov，V.，et al.：q-Space deep learning：十二倍更短和无模型扩散MRI扫描。IEEE Trans.Med.Imaging 35（5），1344\u20131351 3_CR13“，”非结构化“：”Hendrycks，D.，Gimpel，K.：高斯误差线性单位（GELUs）。arXiv预印本arXiv:1606.08415（2016）“}，{“key”：“3_CR14”，“doi-asserted-by”：“publisher”，“unstructured”：“Hong，Y.，Chen，G.，Yap，P.-T.，Shen，D.：通过切片欠采样数据的深度学习重建实现扩散MRI的多重加速。In:Chung，A.C.S.，Gee，J.C.，Yushkevich，P.A.，Bao，S.（编辑）IPMI 2019。LNCS，第11492卷，第530\u2013541页。查姆施普林格（2019）。https:\/\/doi.org\/10.1007\/978-3-030-20351-1_41“，”doi“：”10.1007\/9783-030-20351-1_42“}，{“问题”：“6”，“密钥”：“3_CR15”，“doi-asserted-by”：“发布者”，“首页”：“1432”，“doi”：“10.1002\/mrm.20508”，“卷”：“53”，“作者”：“JH Jensen”，“年份”：“2005”，“非结构化”：“Jensen，J.H.，Helpern，J.A.，Ramani，A.，Lu，H.，Kaczynski，K.：扩散峰度成像：通过磁共振成像对非高斯水扩散进行量化。磁铁。共振。《医学》53（6），1432\u20131440（2005）“，“期刊标题”：“磁铁。共振。医学“}，{“问题”：“4”，“关键”：“3_CR16”，“doi-asserted-by”：“出版商”，“首页”：“1752”，“doi”：“10.1002\/mrm.25734”，“卷”：“75”，“作者”：“E Kaden”，“年份”：“2016”，“非结构化”：“Kaden，E.，Kruggel，F.，Alexander，D.C.：脑白质中per-axon扩散系数的定量映射。磁共振医学。75（4），1752\u20131763（2016年）“，”journal-title“：”磁铁。共振。医学“}，{“key”：“3_CR17”，“doi-asserted-by”：“crossref”，“unstructured”：“Liu，Z.，et al.：Swin transformer：使用移动窗口的分层视觉变换器。摘自：IEEE国际计算机视觉会议论文集，第10012\u201310022（2021）页”，“doi”：“10.1109\/ICCV48922.2021.00986”}非结构化“：”田，Q，等：DeepDTI：使用深度学习的高保真六向扩散张量成像。NeuroImage 219117017（2020）“，”DOI“：”10.1016\/j.NeuroImage.2020.117017“}，{”key“：”3_CR19“，”DOI-asserted-by“：”crossref“，”unstructured“：”Van Essen，D.C.等人：WU-Minn人类连接体项目：概述。NeuroImage 80，62\u201379（2013）“，“DOI”：“10.1016\/j.nuroimage.2013.05.041”}，}“key”：“3_CR20”，“unstructure”：“”Wu，F.、Souza，A.、Zhang，T.、Fifty，C.、Yu，T.和Weinberger，K.：简化图卷积网络。摘自：机器学习国际会议，第6861\u20136871页。PMLR（2019）“}，{“key”：“3_CR21”，“doi-asserted-by”：“publisher”，“unstructured”：“Ye，C.：受稀疏重建框架启发，使用深层网络评估组织微结构。In:Niethammer，M.，et al.（eds.）IPMI 2017。LNCS，第10265卷，第466\u2013477页。查姆施普林格（2017）。https:\/\/doi.org/10.1007\/978-3-319-59050-9_37”，“doi”：“10.1007\/978-3-319-59050-9_37”}，｛“key”：“3_CR22”，“doi断言者”：“publisher”，“首页”：“288”，“doi”：“10.1016\/j.media.207.09.001”，“卷”：“42”，“作者”：“C Ye”，“年份”：“2017”，“非结构化”：“Ye，C.：受基于词典的框架启发，使用深层网络进行组织微观结构评估。医学图像分析。42，288\u2013299（2017）“，“新闻标题”：“医学图像分析。“}，{”issue“：”4“，”key“：”3_CR23“，”doi-asserted-by“：”publisher“，”首页“：”1000“，”doi“：”10.1016\/j.neuroimage.2012.03.072“，”volume“：“61”，”author“：”H Zhang“，”year“：”2012“，”unstructured“：”Zhang，H.，Schneider，T.，Wheeler-Kingshott，C.A.，Alexander，D.C.：NODDI：人脑实际体内神经突定向弥散和密度成像。NeuroImage 61（4），1000\u20131016（2012）“，“journal-title”：“NeuroImage”}，{“key”：“3_CR24”，“doi-asserted-by”：“crossref”，“unstructured”：“Zheng，T.，et al.：受扩散MRI稀疏表示启发的微观结构估计变压器。Med.Image Anal.86，102788（2023）”，“doi”：“10.1016\/j.media.2023.102788”}“，{”key“：”3_CR25“，”doi-asserted-by“：”crossref“，”unstructured“：”Zhou，H.Y.，et al.：nnFormer：通过3D变换器进行体积医学图像分割。IEEE传输。图像处理。（2023）“，”DOI“：”10.1109\/TIP.2023.3293771“}，{“key”：“3_CR26”，“DOI-asserted-by”：“publisher”，“unstructured”：“Zhou，Z.，Rahman Siddiquee，M.M.，Tajbakhsh，N.，Liang，J.：UNet++：用于医学图像分割的嵌套U-Net架构。In:Stoyanov，D.，et al.（eds.）DLMIA\/ML-CDS-2018。LNCS，第11045卷，第3\u201311页。查姆施普林格（2018）。https:\/\/doi.org\/10.1007\/978-3-030-00889-5_1“，”doi“：”10.1007\/978-30-00889-5_1“}]，”container-title“：[”计算机科学讲义“，”医学图像计算和计算机辅助干预\u2013 MICCAI 2023“]，”original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\//link.springer.com\/content\/pdf\/10007\/978 3-031-43993-3_3“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,4,2]，”date-time“：“2024-04-02T16:10:11Z”，“timestamp”：1712074211000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/link.springer.com//10007\/978-3-031-43993-3_3”}}，”subtitle“：[]，“短标题”：[]，“已发布”：{日期部分“：[[2023]]}，“国际标准图书编号”：[“9783031439926”，“9783031439933”]，“参考文献计数”：26，“URL”：“http:\/\/dx.doi.org/10.1007\/978-3-031-43993-3_3”，“关系”：{}，“国际社会科学号”：[“0302-9743”，“1611-3349”]，“ISSN类型”：[{“值”：“0302-9743”，“类型”：“打印”}，{“值”：“1611-3349”，“类型”：“电子“}]，”主题“：[]，”已发布“：｛”日期部分“：[[2023]]｝，”断言“：[｛”value“：”2023年10月1日“，”order“：1，”name“：”first_online“，”label“：”first online“，“group”：{“name”：“ChapterHistory”，“label”：“Chapter History“}}，{“value”：“MICCAI”，“order”：1，“name”:“conference_acrombit”，“tabel”：”conference acronym“，”group“name国际医学图像计算与计算机辅助干预会议”，“order”：2，“name”：“Conference_name”，“label”：“ConferenceName”，“group”：{“name”:“ConferenceInfo”，“table”：“会议信息”}}，{“value”：“不列颠哥伦比亚省温哥华”会议信息“}}，{”value“：”Canada“，”order“：4，”name“：”Conference_country“，”label“：”ConferenceCountry“，“group”：{“name”：“ConferenceInfo”，“label”：“会议信息”}}、{“value”：“2023”，“order”：5、“name”:“Conference_year”、“label“:”Conference_year“，”group“：2023年10月8日“，”order“：7，”name“：”conference_start_date“，”label“：”会议开始日期“，”group“：order“：10，”name“：”conference_id“，”label“：”会议id“，”group“：lind“，”order“：1，”name“：”type“，”label“：”type“，”group“：同行评审信息（由会议组织者提供）“}}，{“value”：“2250”，“order”：3，“name”：“number_of_submissions_sent_for_Review”，“label”：“发送供评审的提交数”，“group”：{“name”:“ConfEventPeerReviewInformation”，“table”：“同行评审信息”（由会议主办方提供）number_of_full_papers_accepted“，”label“：”接受的全文数“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行评审信息（由会议组织者提供）“}}，{”value“：”0“，”order“：5，”name“:”number_ of_short_papers_Accepteded“，”table“：”已接受的短文数“，“group”：{“name”：“”ConfEventPeerReviewInformation“，”label“：”同行评审信息（由会议组织者提供）“}}，{”value“：”32%-该值由等式“接受的全文数”/“发送供评审的提交数*100”计算，然后四舍五入为整数。“，”order“：6，”name“：”acceptance_rate_of_Full_Papers“，”标签“：”全文接受率“，”group“：{”name“：”ConfEventPeerReviewInformation“，”label“：”Peer Review Information（由会议组织者提供）“}}，{”value“：”3“，”order“：7，”name“:”average_number_of_reviews_per_paper“，”标签“：”每篇论文的平均评论数“，”google“：同行评审信息（由会议组织者提供）external_reviewers_involved“，”label“：”涉及外部审阅者“，”group“：{”name“：”ConfEventPeerReviewInformation“，”标签“：”同行审阅信息（由会议组织者提供）“}}]}}